Data-driven modeling and optimization of multi-energy systems

• Datengetriebene Modellierung und Optimierung von Multi-Energiesystemen

Kämper, Andreas; Bardow, André (Thesis advisor); Müller, Dirk (Thesis advisor)

1. Auflage. - Aachen : Wissenschaftsverlag Mainz GmbH (2023)
Buch, Doktorarbeit

In: Aachener Beiträge zur technischen Thermodynamik 41
Seite(n)/Artikel-Nr.: 1 Online-Ressource: Illustrationen, Diagramme

Dissertation, RWTH Aachen University, 2023

Kurzfassung

Big Data eröffnet neue Chancen für tiefgreifende Erkenntnisse und die Unterstützung von Entscheidungsprozessen. Um diese Chancen zu nutzen, werden Methoden benötigt, die nutzbares Wissen aus großen Datenmengen ableiten. Solche Methoden können helfen, drängende Herausforderungen in vielen Bereichen zu bewältigen. Eine drängende Herausforderung für Energiesysteme ist die notwendige Transformation in Richtung Nachhaltigkeit, um den Klimawandel abzuschwächen. Ein wesentlicher Aspekt dieser Herausforderung ist ein dauerhaft optimaler Betrieb der Energiesysteme. Grundsätzlich lässt sich der optimale Betrieb am besten durch mathematische Optimierung ermitteln. Allerdings sind die manuelle Modellerstellung und die Betriebsoptimierung von Energiesystemen zeitaufwändig und können dadurch eine Anwendung mathematischer Optimierung in der Praxis verhindern. In dieser Arbeit werden Methoden vorgestellt, die anhand von Messdaten automatisch mathematische Modelle von Energiesystemen generieren, um so die zeitaufwändige Modellerstellung deutlich zu verkürzen. Außerdem werden Methoden vorgestellt, die die Betriebsoptimierung von Energiesystemen beschleunigen. Bei der Modellerstellung lösen die vorgestellten datengetriebenen Methoden den Zielkonflikt zwischen Genauigkeit und Berechnungseffizienz des Energiesystemmodells, indem sie jedes Komponentenmodell nach seiner Rolle im Gesamtsystem gewichten. Auf diese Weise erzeugen die Methoden automatisch Energiesystemmodelle, die eine präzise und effiziente Optimierung ermöglichen. Um die Betriebsoptimierungen von Energiesystemen zu beschleunigen, stellen wir zwei Methoden vor, die die komplexen Betriebsoptimierungsprobleme in kleinere Teilprobleme zerlegen. Dennoch liefern die Methoden qualitativ hochwertige Lösungen. Die erste Methode nutzt Expertenwissen über das spezifische Energiesystem und beschleunigt Betriebsoptimierungen erheblich, während sie eine ausgezeichnete Lösungsqualität beibehält. Die zweite Methode setzt künstliche neuronale Netze ein, um Betriebsoptimierungen in zuverlässig kurzer Zeit bei gleichzeitig hoher Lösungsqualität zu lösen. Insgesamt ermöglichen die in dieser Arbeit vorgestellten Methoden eine breitere Anwendbarkeit der mathematischen Optimierung für Energiesysteme.

Einrichtungen

• E.ON Energy Research Center [080052]
• Lehrstuhl für Gebäude- und Raumklimatechnik [419510]